Una API de incrustaciones convierte texto, y en algunos modelos imágenes o vídeos, en vectores de números que colocan significados similares muy cerca entre sí. Con un reclasificador para repuntuar las mejores coincidencias, constituye el paso de recuperación de búsqueda semántica y generación aumentada por recuperación.
Una incrustación es una lista de números, llamada vector, que representa el significado de una entrada. Un modelo de incrustación lee un fragmento de texto y devuelve un vector de longitud fija. Las entradas con significado similar producen vectores que apuntan en direcciones similares, incluso cuando no comparten palabras: restablecer mi contraseña y No puedo iniciar sesión en mi cuenta Acaban muy cerca unos de otros, mientras Actualizar mi dirección de facturación acaba más lejos.
Comparas dos vectores con una medida de similitud, normalmente similitud coseno. Una puntuación más alta significa que las entradas están más cercanas en significado. Esa operación soporta búsqueda semántica, recuperación para modelos de lenguaje, agrupamiento, detección de duplicados, recomendaciones y clasificación por ejemplo más cercano.
En EmpirioLabs AI envíes modelo y Entrada a POST /v1/embeddings. La entrada es una cadena o una lista de cadenas, y la respuesta contiene un vector por entrada en Datos, más un Uso objeto con los tokens facturados. Los modelos de incrustación facturan solo los tokens de entrada, porque no generan texto.
Dimensiones establece la longitud de cada vector. Los vectores más grandes conservan más detalle; los más pequeños cuestan menos almacenar y buscar.encoding_format devuelve vectores como Flotador matrices o tan compactas base64 cuerdas.imagen y Vídeo partes, de modo que una consulta de texto pueda recuperar imágenes coincidentes.output_type, y aceptar un instruir Describe la tarea de búsqueda cuando incrustas consultas.Dos reglas mantienen los resultados significativos. Incrustar documentos y consultas con el mismo modelo y el mismo tamaño de vector, ya que los vectores de diferentes modelos no son comparables. Divide los documentos largos en pasajes que encajen con la longitud máxima de entrada del modelo, y almacena cada vector junto con el pasaje del que procedió. El Referencia de la API de embeddings Lista todos los campos.
La búsqueda vectorial es rápida porque cada documento se incrusta una vez, de antemano, y una consulta solo necesita un vector nuevo. La contrapartida es la precisión: la consulta y cada documento se codifican por separado, por lo que los vectores más cercanos forman una buena lista corta en lugar de una clasificación final.
Un reclasificador lee la consulta y a cada candidato juntos y valora qué tan bien responde ese candidato a la consulta. Esa comparación es más precisa y requiere más trabajo por documento, así que la ejecutas en una lista corta, como los 50 primeros resultados de la búsqueda vectorial, en lugar de en una colección completa.
En EmpirioLabs AI envías un consulta y una lista de documentos a POST /v1/reranks. La respuesta lista el original de cada documento Índice con un relevance_score de 0 a 1, primero lo más relevante. Set top_n devolver solo a los mejores, y return_documents para incluir su texto. Las puntuaciones son relativas a una sola solicitud, así que úsalas para ordenar resultados en lugar de como un corte fijo entre diferentes consultas. Consulte el referencia de reranks API para la petición completa.
La generación aumentada por recuperación (RAG) responde preguntas de tu propio contenido colocando los pasajes más relevantes en el indicador de un modelo de lenguaje. Los embeddings y un reclasificador forman su paso de recuperación:
Reclasificar mantiene la propuesta breve y relevante: menos pasajes y mejores utilizan menos tokens de entrada y dejan más de la Ventana de contexto para la respuesta. Examina Embedding de modelos y Reclasificadores, o probar ambos en el Playground.
4 modelos, del más barato al más caro cuando comparten unidad de facturación. La página de cada modelo tiene su tarjeta de precios completa, parámetros y código.
Endpoints
/v1/embeddingsPor 1M de tokens, según la tarifa de entrada
| Modelo | Entrada | Salida |
|---|---|---|
| Text Embedding v4 Alibaba Cloud | $0.07 | - |
| Tongyi Embedding Vision Flash Alibaba Cloud | $0.09 | - |
| Tongyi Embedding Vision Plus Alibaba Cloud | $0.09 | - |
| Skylark Embedding Vision ByteDance | $0.25 | - |
1 modelos. La página de cada modelo tiene su tarjeta de precios, parámetros y código.
Endpoints
/v1/reranksUn modelo de incrustación convierte cada entrada en un vector por sí solo, de modo que puedes comparar una consulta con una colección grande rápidamente. Un reclasificador lee una consulta y un documento candidato juntos y califica su relevancia con mayor precisión, de modo que se utiliza en una lista corta de resultados.
No. Cada modelo asigna significado a su propio espacio vectorial, así que incrusta tus documentos y tus consultas con el mismo modelo y el mismo tamaño vectorial.
Los modelos de incrustación y reclasificación facturan los tokens de entrada que envías. No generan texto, así que no hay tokens de salida que facturar.
Es un número de 0 a 1 que clasifica los documentos para una consulta, siendo el significado más relevante para mayor tamaño. Las puntuaciones no son comparables entre solicitudes, así que úsalas para ordenar resultados dentro de una sola solicitud.
Sí, con modelos de incrustación multimodal. Aceptan entradas de texto, imagen y vídeo, por lo que una consulta de texto puede recuperar imágenes o clips coincidentes.
Text Embedding v4 publica la tarifa de entrada más baja de los 4 modelos de Incrustaciones con ese tipo de precio, seguido de Tongyi Embedding Vision Flash, Tongyi Embedding Vision Plus. La tabla de precios de esta página muestra la tarifa más baja de cada modelo y a qué se aplica.
Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.